小波变换与傅里叶变换的对比、异同
一、基的概念
两者都是基,信号都可以分成无穷多个他们的和(叠加)。而展开系数就是基与信号之间的内积,更通俗的说是投影。展开
系数大的,说明信号和基是足够相似的。这也就是相似性检测的思想。但我们必须明确的是,傅里叶是
0-2pi
标准正交基,而小波
是
-inf
到
inf
之间的基。因此,小波在实轴上是紧的。而傅里叶的基(正弦或余弦),与此相反。而小波能不能成为
Reisz
基,
或标准稳定的正交基,还有其它的限制条件。此外,两者相似的还有就是
PARSEVAL
定理。(时频能量守恒)。
二、离散化的处理
傅里叶变换,是一种数学的精妙描述。但计算机实现,却是一步步把时域和频域离散化而来的。第一步,时域离散化,我们
得到离散时间傅里叶变换(
DTFT
),频谱被周期化;第二步,再将频域离散化,我们得到离散周期傅里叶级数(
DFS
),时域进一
步被周期化。第三步,考虑到周期离散化的时域和频域,我们只取一个周期研究,也就是众所周知的离散傅里叶变换(
DFT
)。这
里说一句,
DFT
是没有物理意义的,
它只是我们研究的需要。
借此,
计算机的处理才成为可能。
所有满足容许性条件
(从
-INF
到
+INF
积分为零)的函数,都可以成为小波。小波作为尺度膨胀和空间移位的一组函数也就诞生了。但连续取值的尺度因子和平移因子,
在时域计算量和频域的混叠来说,都是极为不便的。用更为专业的俗语,叫再生核。也就是,对于任何一个尺度
a
和平移因子
b
的
小波,和原信号内积,所得到的小波系数,都可以表示成,在
a
,
b
附近生成的小波,投影后小波系数的线性组合。这就叫冗余性。
这时的连续小波是与正交基毫无关系的东西,它顶多也只能作为一种积分变换或基。但它的显微镜特点和相似性检测能力,已经显
现出来了。为了进一步更好的将连续小波变换离散化,以下步骤是一种有效方法。第一步,尺度离散化。一般只将
a
二进离散化,
此时
b
是任意的。这样小波被称为二进小波。第二步,离散
b
。怎么离散化呢?
b
取多少才合适呢?于是,叫小波采样定理的东西,
就这样诞生了。也就是小波平移的最小距离(采样间隔),应该大于二倍小波基的最高频率(好像类似,记不清了)。所以
b
取尺
度的整数倍就行了。也就是越胖的小波,对应频谱越窄,平移量应该越大,采样间隔越大。当然,第一二两步的频域理解,即在满
足频域窗口中心是
3
倍的频域窗口半径的前提下,频域就在统计上是完美二分的。
(但很多小波满足不了这个条件,而且频域窗口
能量不
?,
所以只是近似二分的
).
这时的小波变换
,
称为离散二进小波变换
.
第三步
,
引入稳定性条件
.
也就是经过变换后信号能量
和原信号能量有什么不等式关系
.
满足稳定性条件
?
后
,
也
就是一个小波框架产生了可能
.
他是数值稳定性的保证
.
一个稍弱的稳定
条件
???,
就是
?
并且小波函数线性无关
,
此时小波基称为
Reisz
基
.
并且,如果变换后能量守恒,
(A=B=1)
,并且线性无
关,这就是标准离散正交小波基。这种分解也就是大家熟知的直和分解。若
A
和
B
不相等,且相差很大,我们就说小波不是紧框架
的,所以双正交,对偶小波也就自然而然引进来了。若
A
和
B
不相等,但又相差不大,这时稳定重构也是可能的,这时成为几乎紧
框架的。
(好像说这样小波有橹棒性特点,也就是粗略分解,但却精确重构。)经过
3
步,我们最终地得到了一个二进离散化稳定
的小波变换,这正是我们要的结果。
三、快速算法。
如果说现代数字信号处理革命的算法,甚至是很多快速算法的老始祖,或者是满矩阵向量乘法一个几乎不可抗拒的最小计算
量
NlogN
,那就是令我不得不佩服的快速傅里叶变换(
FFT
)。这里我不想解释过多的基
2
算法,和所谓的三重循环,还有那经典
的蝶形单元,
或是分裂基之类,
我想说的就是一种时频对应关系。
也就是算法的来源。
我们首先明确,
时域的卷积对应频域的相乘,
因此我们为了实现卷积,可以先做傅里叶变换,接着在频域相乘,最后再做反傅里叶变换。这里要注意,实际我们在玩
DSP
。因此,
大家要记住,圆周卷积和离散傅里叶变换,是一家子。快速傅里叶是离散傅里叶的快速算法。因此,我们实现离散线性卷积,先要
补零。然后使得它和圆周卷积相等。然后就是快速傅里叶变换,频域相乘,最后反快速傅里叶变换。当然,如果我们就需要的是圆
周卷积,那我们也就不需要多此一举的补零。这里,我们可以把圆周卷积,写成矩阵形式。这点很重要。
Y=AX
。这里的
A
是循环矩
阵。但不幸的是
A
仍然是满阵。小波的快速算法。
MALLAT
算法,是一个令人振奋的东西。它实质给了多分辨率分析(多尺
度分析)一个变得一发而不可收的理由。它实质上,讲了这样一个意思。也就是。我在一个较高的尺度(细节)上作离散二进稳定
的小波变换,得到了一个结果(小波系数),我若是想得到比它尺度低的小波系数(概貌),我不用再计算内积,只是把较高尺度
的小波系数和低通或高通滤波器卷积再抽取即可。但是,所有这些证明的推导是在整个实轴上进行的。即把信号看成无限长的。但
这仍不是我们想要的。还有,我们还必须在较高尺度上作一次内积,才可以使用此算法。因此,我们开始简化,并扩展此理论。第
一,我们把信号的采样,作为一个较高层的小波系数近似初始值。(这是可以的,因为小波很瘦时,和取样函数无异)。第二,我
们把原来的卷积,换为圆周卷积。这和
DSP
何尝不一样呢?它的物理意义,就是把信号作周期延拖(边界处理的一种),使之在整
个实轴上扩展。这种算法令我为之一贯坚持的是,它是完全正交的,也就是说是正交变换。正变换
Y=AX
;反变换
X=A
’
Y
;一般对
于标准正交基,
A
’是
A
的共轭转置,对于双正交
A
’是
A
的对偶矩阵。但不管如何,我们可以大胆的写,
AA
’
=A
’
A=I
。这里
I
是
单位矩阵。
那怎样操作才是最快的呢?我们来分析
A
的特点,首先
A
是正交阵,其次
A
是有循环矩阵特点,但此时
A
上半部分是由低通滤波器
构成的循环子矩阵,下半部分是由高通滤波器构成的子矩阵,但却是以因子
2
为循环的。为什么,因为你做了
2
抽取。所以我们可
以,实现小波变换用快速傅里叶变换。这时如果
A
是满阵的,则复杂度由
O(N.^2
)下降到
O(NlogN)
。但还有一点,我们忘了
A
是
稀疏的,因为信号是很长的,而滤波器确实很短的,也就是这个矩阵是个近似对角阵。所以,快速傅里叶是不快的,除非你傻到含
有零的元素,也作了乘法。因此,小波变换是
O(N)
复杂度的。这是它的优势。但要实现,却不是那么容易,第一个方法,稀疏矩